王 奕

(石家莊職業(yè)技術學院，河北 石家莊 050081)

馬鈴薯內(nèi)部病蟲害的隱蔽性較強，對馬鈴薯的產(chǎn)量具有很大的影響，常規(guī)的病蟲害檢測防治技術對馬鈴薯內(nèi)部病蟲害的治理效果不佳。隨著圖像處理技術和機器視覺信息處理技術的發(fā)展，采用機器視覺分析方法進行植物的病蟲害防治成為可能。在計算機視覺下進行馬鈴薯內(nèi)部病蟲害檢測識別，構建馬鈴薯內(nèi)部病蟲害的圖像信息處理模型，采用機器視覺圖像處理方法進行馬鈴薯內(nèi)部病蟲害檢測識別[1]，能提高對馬鈴薯內(nèi)部病蟲害的區(qū)域性防治能力[2]，相關的馬鈴薯內(nèi)部病蟲害特征識別方法研究對促進馬鈴薯內(nèi)部病蟲害的防控和治理方面具有重要意義[3]。

傳統(tǒng)方法中，對馬鈴薯內(nèi)部病蟲害的檢測方法主要有小波檢測方法、區(qū)域分塊檢測方法以及分組融合濾波檢測方法等[4]，構建馬鈴薯內(nèi)部病蟲害的分塊區(qū)域視覺特征檢測模型，提高對馬鈴薯內(nèi)部病蟲害的檢測和識別能力，Pipaud等[5]提出了一種基于Splines小波特征分解的馬鈴薯內(nèi)部病蟲害視覺圖像異常特征點提取方法，采用Snake算法對馬鈴薯內(nèi)部病蟲害視覺信息增強，結合特征分解方法進行病蟲害特征識別，但該方法的計算處理速度較慢，檢測的時效性差。Litjens等[6]提出了一種基于多重分形的馬鈴薯內(nèi)部病蟲害視覺圖像特征提取技術，采用分區(qū)域特征匹配方法進行二維馬鈴薯內(nèi)部病蟲害視覺圖像的分塊融合性檢測，采用綠葉素紋理分形實現(xiàn)特征提取，但該方法的抗干擾性差。

針對上述問題，提出基于機器視覺圖像的馬鈴薯內(nèi)部病蟲害特征識別方法。試驗擬通過構建二維馬鈴薯內(nèi)部病蟲害視覺圖像采集模型，結合圖像的分塊融合檢測方法進行特征識別和提取，采用顏色提取分解和紋理分割技術，實現(xiàn)對馬鈴薯內(nèi)部病蟲害的特征識別，并進行仿真試驗分析，以期建立一種準確性高、實時性好的馬鈴薯內(nèi)部病蟲害特征識別方法。

1 機器視覺圖像采集模型和預處理

1.1 病蟲害視覺圖像采集模型

(1)

式中：

xi——像素強度，d；

xj——邊緣輪廓長度，cm；

dist(xi,xj)——特征點xi和xj之間歐式距離，cm；

σ——馬鈴薯內(nèi)部病蟲害的分布密度，個/cm2。

構建二維馬鈴薯內(nèi)部病蟲害視覺圖像采集模型，對采集的馬鈴薯內(nèi)部病蟲害視覺圖像進行分塊融合檢測[8]，得到馬鈴薯內(nèi)部病蟲害的紋理特征渲染信息特征分量為：

P(yw3|xw3,θ,β)∝

P(yw3|xw3,θ)(yw3|βi)∝

(2)

在4×4子塊的局部區(qū)域內(nèi)建立馬鈴薯內(nèi)部病蟲害視覺圖像采集模型，結合病害區(qū)域紋理異常特征檢測方法提取馬鈴薯內(nèi)部病蟲害視覺特征量[9]，如式(3)所示。

(3)

考慮馬鈴薯內(nèi)部病蟲害視覺特征分量在有限論域E上的差異值，得到馬鈴薯內(nèi)部病蟲害圖像二維特征F:E→R3，設T:E→PDS(2)，對馬鈴薯內(nèi)部病蟲害視覺特征值進行信息重構，實現(xiàn)對馬鈴薯內(nèi)部病蟲害的采集和特征重組。

1.2 馬鈴薯內(nèi)部病蟲害視覺圖像分塊融合

在構建二維馬鈴薯內(nèi)部病蟲害視覺圖像采集模型的基礎上，對采集的馬鈴薯內(nèi)部病蟲害視覺圖像進行分塊融合檢測，根據(jù)馬鈴薯綠葉素紋理分布進行病蟲害的特征檢測和紋理匹配，得到馬鈴薯內(nèi)部病蟲害視覺圖像的紋理分割函數(shù)為：

D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]·I(x,y)=L(x,y,kσ)-L(x,y,σ)，

(4)

L(x,y,σ)=G(x,y,σ)?I(x,y)，

(5)

式中：

I(x,y)——(x,y)處的分塊系數(shù)；

L(x,y,σ)——多重分形系數(shù)；

G(x,y,σ)——關聯(lián)像素值，dpi。

關聯(lián)像素值的計算式如式(6)所示。

(6)

(7)

式中：

x1,x2,x3,…,xT——每個子塊的模板匹配集；

T——紋理分布的像素集。

采用分塊融合匹配方法，建立馬鈴薯內(nèi)部病蟲害視覺圖像的統(tǒng)計形狀模型，在分塊融合模板中，得到馬鈴薯內(nèi)部病蟲害內(nèi)部的邊緣像素集為：

(8)

其中：

(9)

v(x)=∑yk(x,y)。

(10)

根據(jù)上述分析，采用綠葉素紋理區(qū)域性檢測方法，實現(xiàn)馬鈴薯內(nèi)部病蟲害視覺特征分塊融合處理，根據(jù)分塊檢測結果實現(xiàn)內(nèi)部病蟲害的特征識別。

2 馬鈴薯內(nèi)部病蟲害特征識別優(yōu)化

2.1 馬鈴薯病蟲害的特征標定

在上述構建二維馬鈴薯內(nèi)部病蟲害視覺圖像采集模型，并對采集的馬鈴薯內(nèi)部病蟲害視覺圖像進行分塊融合檢測的基礎上，進行病蟲害的特征識別，提取馬鈴薯內(nèi)部病蟲害視覺分形特征量，采用表面紋理配準和分塊自適應檢測方法進行病蟲害的特征點標定[10]，馬鈴薯內(nèi)部病蟲害視覺信息分布的能量函數(shù)如式(11)所示。

(11)

式中：

采用動態(tài)特性監(jiān)測方法，分析病蟲害分布的區(qū)域性，采用多重分形方法進行馬鈴薯內(nèi)部病蟲害的相似性紋理區(qū)域重建[11]，得到區(qū)域重建模型描述為：

(12)

(13)

式中：

δ——馬鈴薯內(nèi)部病蟲害視覺性采樣的先驗特征系數(shù)；

ε——馬鈴薯內(nèi)部病蟲害視覺性采樣的關聯(lián)系數(shù)。

在局部區(qū)域中通過分區(qū)域特征匹配方法進行二維馬鈴薯內(nèi)部病蟲害分塊檢測和融合處理，提取馬鈴薯內(nèi)部病蟲害視覺分形特征量，采用表面紋理配準和分塊自適應檢測方法進行病蟲害的特征點標定，得到特征點標定輸出為：

P(yw3|xw3,θ,β)=

(14)

式中：

根據(jù)上述分析，采用多重分形技術進行馬鈴薯內(nèi)部病蟲害視覺重構[12]，重構輸出的迭代式見式(15)。

(15)

式中：

η——視覺信息重構的分形維數(shù)；

φ——偏移值。

根據(jù)空間區(qū)域重構結果，得到馬鈴薯內(nèi)部病蟲害特征標定在每個尺度σ(n)(1,2,…,n)上的信息熵分布如式(16) 所示。

H(x,y,σ)=JJT=

(16)

根據(jù)信息熵強度，對馬鈴薯內(nèi)部病蟲害特征標定點進行排序，進行病蟲害區(qū)域分布視覺重建和識別。

2.2 馬鈴薯內(nèi)部病蟲害特征檢測

結合小波變換方法進行馬鈴薯內(nèi)部病蟲害視覺圖像的特征分解，對馬鈴薯內(nèi)部病蟲害視覺圖像的特征分解的小波函數(shù)為：

R(x,y)=x2+y2+dx+ey+f。

(17)

在最大值搜索區(qū)域內(nèi)，提取馬鈴薯內(nèi)部病蟲害視覺圖像的灰階不變矩滿足式(18)。

(18)

根據(jù)誤差分布情況，構建馬鈴薯內(nèi)部病蟲害視覺圖像的分塊區(qū)域重構模型[13]，得到馬鈴薯內(nèi)部病蟲害視覺圖像的特征分辨強度為：

(19)

根據(jù)顏色梯度變化的差異性實現(xiàn)機器視覺下的馬鈴薯內(nèi)部病蟲害特征識別，馬鈴薯內(nèi)部病蟲害視覺圖像的幾何結構重組模型滿足式(20)。

(20)

在近鄰點中對馬鈴薯內(nèi)部病蟲害視覺特征進行圖像重構，采用機器視覺分析方法[14-15]，得到馬鈴薯內(nèi)部病蟲害視覺圖像的邊緣尺度為：

(21)

式中：

σ——尺度空間，cm3；

Δx——Hessian-Laplace角點視覺差，(o)。

考慮角點的顯著性進行馬鈴薯內(nèi)部病蟲害視覺圖像的深度學習，以t(x)表示馬鈴薯內(nèi)部病蟲害視覺重建的函數(shù)，令t(x)=e-βd(x)，其中0

(22)

L(x,y,σ)=G(x,y,σ)·I(x,y)，

(23)

式中：

G(x,y,σ)——尺度σ的灰度像素差異值。

在灰度像素區(qū)域內(nèi)根據(jù)馬鈴薯內(nèi)部病蟲害視覺圖像的紋理特征，進行灰度直方圖提取，實現(xiàn)馬鈴薯內(nèi)部病蟲害視覺特征識別和重建，根據(jù)重建結果，實現(xiàn)馬鈴薯內(nèi)部病蟲害的特征識別。

3 仿真試驗結果與分析

為了測試試驗方法在實現(xiàn)馬鈴薯內(nèi)部病蟲害特征識別中的應用性能，進行仿真試驗。

3.1 試驗設備及試驗參數(shù)

試驗的仿真軟件平臺為C++，試驗中對馬鈴薯內(nèi)部病蟲害視覺圖像采樣采用光學傳感器LBP Sensors，利用Visual C++6.0 MFC 編寫處理馬鈴薯內(nèi)部病蟲害圖像信息處理程序，在機器視覺下進行馬鈴薯內(nèi)部病蟲害特征識別，對病蟲害區(qū)域的內(nèi)部特征初始采樣像素強度為120 d，像移值為1.24，在病蟲害區(qū)域的能量強度為1.56 kJ，圖像的分辨率為430×210，對病害蟲檢測的初始評價參數(shù)為3.5，信噪比為-30 dB，其他參數(shù)設置見表1。

表1 仿真參數(shù)設置

根據(jù)表1參數(shù)設定，進行馬鈴薯內(nèi)部病蟲害特征識別和提取研究，選擇的樣本馬鈴薯是從某農(nóng)場購買，且選擇的是出土之后就存在病蟲害的馬鈴薯，其質量為200 g。通過構建二維馬鈴薯內(nèi)部病蟲害視覺圖像采集模型，對采集的馬鈴薯內(nèi)部病蟲害視覺圖像進行分塊融合檢測，得到圖像采集結果如圖1所示。

圖1 馬鈴薯內(nèi)部病蟲害視覺圖像采集結果

3.2 試驗分析

以圖1采集的圖像為樣本，提取馬鈴薯內(nèi)部病蟲害視覺分形特征量，采用表面紋理配準和分塊自適應檢測方法進行病蟲害的特征點標定，得到圖像融合結果如圖2所示。

分析圖2得知，試驗方法能有效實現(xiàn)對馬鈴薯內(nèi)部病蟲害視覺的特征重構，根據(jù)重構結果進而實現(xiàn)馬鈴薯

圖2 馬鈴薯內(nèi)部病蟲害融合結果

內(nèi)部病蟲害特征提取和識別，得到特征提取結果如圖3所示。

圖3中，分別對各個像移參數(shù)下的馬鈴薯病蟲害特征進行有效識別，提高了對馬鈴薯內(nèi)部病蟲害的特征檢測和識別能力。為了對比性能，采用試驗方法、文獻[5]方法和文獻[6]方法進行對比試驗，在不同的像移分布下進行馬鈴薯內(nèi)部病蟲害特征識別，測試對馬鈴薯內(nèi)部病蟲害的誤檢率(正確數(shù)量與數(shù)據(jù)樣本總數(shù)的比值)，得到對比結果如圖4所示。

分析圖4得知，試驗方法進行馬鈴薯內(nèi)部病蟲害特征檢測識別的誤檢率最低可至10%，而其他兩種方法下的誤檢率最低為20%和26%，高于試驗方法。說明試驗方法的準確率接近90%。測試不同方法進行馬鈴薯內(nèi)部病蟲害特征識別的時間開銷，得到對比結果如圖5所示，試驗方法進行馬鈴薯內(nèi)部病蟲害特征識別的時間開銷較短。

圖3 馬鈴薯內(nèi)部病蟲害特征識別結果

圖4 誤檢率對比

圖5 時間開銷對比

4 結論

試驗提出基于機器視覺圖像的馬鈴薯內(nèi)部病蟲害特征識別方法，采用灰度直方圖特征分解方法，進行馬鈴薯內(nèi)部病蟲害視覺特征重構，根據(jù)馬鈴薯綠葉素紋理分布進行病蟲害的特征檢測和紋理匹配，建立馬鈴薯內(nèi)部病蟲害視覺圖像的統(tǒng)計形狀模型，根據(jù)顏色梯度變化的差異性實現(xiàn)機器視覺下的馬鈴薯內(nèi)部病蟲害特征識別。研究得知，構建馬鈴薯內(nèi)部病蟲害的圖像信息處理模型，采用機器視覺圖像處理方法進行馬鈴薯內(nèi)部病蟲害檢測識別，能提高對馬鈴薯內(nèi)部病蟲害的區(qū)域性防治能力。